Resumen

El objetivo de este trabajo es presentar una nueva metodología para ajustar redes de Wiener a conjuntos de datos con un gran número de variables. Las redes de Wiener tienen la capacidad de modelizar una amplia gama de tipos de datos, y sus estructuras pueden producir parámetros con significado fenomenológico. El ajuste de un modelo de este tipo plantea varios problemas: la rigidez del modelo, la naturaleza no lineal de una red de Wiener, el posible exceso de ajuste y el gran número de parámetros inherentes a los grandes conjuntos de datos de entrada. Este trabajo describe una metodología para superar estos retos utilizando varios algoritmos iterativos bajo aprendizaje supervisado y ajustando subconjuntos de los parámetros a la vez. Esta metodología se aplica a redes Wiener que se utilizan para predecir concentraciones de glucosa en sangre. Las predicciones de conjuntos de validación a partir de modelos ajustados a cuatro sujetos utilizando esta metodología arrojaron una mayor correlación entre las observaciones observadas y las predichas que otros algoritmos, incluidos los algoritmos de Gauss-Newton y Levenberg-Marquardt.

• Materias:Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:redes de wiener, metodología, parámetros, gran número, concentraciones de glucosa en sangre, grandes conjuntos de entrada, varios algoritmos iterativos, trabajo, algoritmos de marquardt, red de wiener
• Keywords:wiener networks, methodology, parameters, large number, blood glucose concentrations, large input sets, several iterative algorithms, work, marquardt algorithms, wiener network